Kelas A

LAPORAN PRAKTIKUM
ANALISIS RUNTUN WAKTU
Modul 2 : Single Exponential Smoothing

Nomor Tanda Tangan

Nama Praktikan Tanggal Kumpul
Mahasiswa Praktikan

Halima Tusyakdiah 17611073 09 Oktober 2019

Tanggal Tandatangan
Nama Penilai Nilai
Koreksi Asisten Dosen

Faisal Ardiansyah

Arum Handini Primandari,

S.Pd.Si., M.Sc.

JURUSAN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS ISLAM INDONESIA
YOGYAKARTA
2019
Daftar Isi

Halaman sampul.......................................................................................................i
Daftar Isi..................................................................................................................ii
Daftar Tabel............................................................................................................iii
Daftar Gambar........................................................................................................iii
1 Pendahuluan.....................................................................................................1
1.1 Exponential Smoothing.............................................................................1
1.1.1 Single Exponential Smoothing..........................................................1
2 Deskripsi Kerja................................................................................................2
2.1 Studi Kasus................................................................................................2
2.2 Langkah Kerja...........................................................................................3
2.2.1 Langkah Kerja....................................................................................3
2.2.2 Menghitung SES Cara Kedua............................................................6
3 Pembahasan......................................................................................................8
4 Penutup..........................................................................................................15
4.1 Kesimpulan..............................................................................................15
5 Daftar Pustaka................................................................................................16

ii
Daftar Tabel

Tabel 2.1 Data Inflasi Indonesia Tahun 2014 - 2015..............................................2

Tabel 2.1 Prediksi SSE untuk α = 0.3...................................................................10
Tabel 2.1 Prediksi SSE untuk α = 0.5...................................................................10
Tabel 2.1 Prediksi SSE untuk α = 0.8...................................................................10
Tabel 2.1 Nialai SSE, MSE, dan MAPE...............................................................11
Tabel 2.1 Nialai MSE, dan MAPE........................................................................13

Daftar Gambar

Gambar 2.1 Membuka Aplikasi RStudio................................................................3

Gambar 2.2 Tampilan Awal RStudio.....................................................................3
Gambar 2.3 Visualisasi R Script.............................................................................3
Gambar 3.1 Output Data Inflasi Indonesia Sep 2014 – Sep 2019..........................8
Gambar 3.2 Output Data Runtun Waktu................................................................8
Gambar 3.3 Output Data Runtun Waktu................................................................8
Gambar 3.4 Output Koefisien α = 0.3....................................................................9
Gambar 3.5 Output Koefisien α = 0.5....................................................................9
Gambar 3.6 Output Koefisien α = 0.8....................................................................9
Gambar 3.8 Output Forecast untuk α = 0.3.........................................................11

iii
 1 Pendahuluan

1.1 Exponential Smoothing

Exponential Smoothing adalah suatu prosedur yang secara terus menerus
memperbaiki peramalan dengan merata-rata (menghaluskan = smoothing) nilai
masa lalu dari suatu data runtut waktu dengan cara menurun (exponential).
Analisis exponential smoothing merupakan salah satu analisis deret waktu, dan
merupakan metode peramalan dengan memberi nilai pembobot pada serangkaian
pengamatan sebelumnya untuk memprediksi nilai masa depan.[CITATION Exp14
\l 1057 ]
1.1.1 Single Exponential Smoothing
Metode Single Exponential Smoothing adalah metode yang menunjukan
pembobotan menurun secara eksponensial terhadap nilai observasi yang lebih tua.
Yaitu nilai yang lebih baru diberikan bobot yang relatif lebih besar dibanding nilai
observasi yang lebih lama. Metode ini memberikan sebuah pembobotan
eksponensial rata-rata bergerak dari semua nilai observasi sebelumnya.[CITATION
Har12 \l 1057 ]
Pada metode ini tidak dipengaruhi oleh trend maupun musim. Rumusnya
adalah sebagai berikut:
Ŷt+1 = αYt + (1-α) Ŷt . . . . . . . . . . . . .
Keterangan:
Ŷt+1 = nilai peramalan untuk periode berikutnya
Yt = peramalan untuk periode t
Ŷt = nilai peramalan untuk periode t
α = faktor bobot penghalusan (0 < α < 1)

1
2 Deskripsi Kerja

2.1 Studi Kasus

Lakukan kerja berikut ini:

1. Unduh data inflasi yang tersedia di laman

https://www.bi.go.id/id/Default.aspx dari bulan September 2014 hingga

September 2019.

2. Lakukan analisis data dengan SES menggunakan fungsi dasar R. Tentukan

alpha optimum. Kemudian, tentukan peramalan untuk 5 periode ke depan.

3. Lakukan analisis data dengan SES menggunakan fungsi pada package

forecast. Tentukan alpha optimum.

Kemudian, tentukan peramalan untuk 5 periode ke depan. Berikut tabel

2.1 merupakan gambaran singkat data inflasi selama 10 hari.

Tabel 2.1 Data Inflasi Indonesia Tahun 2014 - 2015

Bulan Tingkat
Tahun Inflasi
19-Sep 0.0339
19-Aug 0.0349
19-Jul 0.0332
19-Jun 0.0328
19-May 0.0332
19-Apr 0.0283
19-Mar 0.0248
19-Feb 0.0257
19-Jan 0.0282
18-Dec 0.0313
18-Nov 0.0323
: :
14-Oct 0.0483
14-Sep 0.0453

2
2.2 Langkah Kerja
Praktikan akan menjawab studi kasus di atas menggunakan software
Rstudio. Berikut adalah langkah kerjanya :
2.2.1 Langkah Kerja

1. Buka program Rstudio dengan cara  klik icon Rstudio.

Gambar 2.1 Membuka Aplikasi RStudio

2. Setelah aplikasi terbuka, maka akan muncul tampilan awal dari Rstudio.

Gambar 2.2 Tampilan Awal RStudio

3. Buat halaman baru dengan cara  klik new pada toolbar  klik R Script.

Gambar 2.3 Visualisasi R Script

3
4. Entry data di Rstudio csv dengan sintaks: read.csv (“alamat file dalam
folder penyimpanan”) dan berikan nama obyeknya inflasi.
inflasi=read.csv("D:/kuliah dong aku/semester 5/praktikum
smt 5/prak ARW/modul 3/inflasi2.csv", sep = ";")

5. Kemudian tampilkan data.

View(inflasi)

6. Mengubah urutan data menjadi ascending berdasarkan date dan berikan

nama obyek inflasi.rev.
inflasi.rev=inflasi[order(nrow(inflasi):1),]
inflasi.rev

7. Ambil data dari inflasi.rev yaitu kolom “Tingkat.Inflasi”, kemudian ubah

menjadi obyek time series.
inflasi.ts=ts(inflasi.rev$Tingkat.Inflasi, start=
c(2014,09), frequency=12)
inflasi.ts

8. Menggambarkan plot data inflasi untuk melihat pola data.

plot.ts(inflasi.ts)

9. Hitung SES dengan nilai alpha optimum praktikan mencoba α = 0.3, α =

0.5 , α = 0.8. Berikan nama obyeknya sesb.inflasi.
#SES dengan sintaks holtwinters alpha=0.5
sesb.inflasi1=HoltWinters(inflasi.ts, alpha=0.3, beta=
FALSE, gamma=FALSE)
sesb.inflasi1

##Hitung dengan alpha optimum alpha=0.5

sesb.inflasi2=HoltWinters(inflasi.ts, alpha=0.5, beta=
FALSE, gamma=FALSE)
sesb.inflasi2

##Hitung dengan alpha optimumalpha=0.5

sesb.inflasi3=HoltWinters(inflasi.ts, alpha=0.8, beta=
FALSE, gamma=FALSE)
sesb.inflasi3

4
10. Menampilkan nilai “fitted value”.
sesb.inflasi1$fitted
sesb.inflasi2$fitted
sesb.inflasi3$fitted

11. Kemudian hitung nilai Sum Square Error (SSE), Mean Square Error
(MSE), Root Mean Square Error (RMSE), dan Mean Absolute Percentage
Error (MAPE).
##menghitung SSE, MSE, RMSE, MAPE
sse2=sesb.inflasi$SSE #sum of square error
sse2
mse2=sesb.inflasi$SSE/NROW((sesb.inflasi2$fitted))
mse2
rmse2 = sqrt (mse1)
mape2 = mean(abs((inflasi.ts-sesb.inflasi2$fitted[,1])/
inflasi.ts), na.rm = TRUE)*100
mape2

sse1=sesb.inflasi$SSE #sum of square error

sse1
mse1=sesb.inflasi$SSE/NROW((sesb.inflasi1$fitted))
mse1
rmse1 = sqrt (mse1)
mape1 = mean(abs((inflasi.ts-sesb.inflasi1$fitted[,1])/
inflasi.ts), na.rm = TRUE)*100
mape1

sse3=sesb.inflasi$SSE #sum of square error

sse3
mse3=sesb.inflasi$SSE/NROW((sesb.inflasi3$fitted))
mse3
rmse3 = sqrt (mse3)
mape3 = mean(abs((inflasi.ts-sesb.inflasi3$fitted[,1])
/inflasi.ts), na.rm = TRUE)*100
mape3

12. Lakukan peramalan untuk 5 periode ke depan beri nama obyek pred.sesb.
pred.sesb1=predict(sesb.inflasi1, 5)

5
 pred.sesb1
pred.sesb2=predict(sesb.inflasi2, 5)
pred.sesb2
pred.sesb3=predict(sesb.inflasi3, 5)
pred.sesb3

13. Menggambarkan plot data aktual, data fitted value, dan hasil peramalan
dengan.
plot(inflasi.ts, main="Inflasi 2014 - 2019" , lwd=2,
col="blue", xlim= c(2014,2020), type="o", pch=15)
limitDate=end(inflasi.ts)[1]+(end(inflasi.ts)[2]-1)/
frequency(inflasi.ts)
limitDate
abline(v=limitDate,lty=4)
lines(sesb.inflasi$fitted[,1],lwd=2, col="red", type="o",
pch=12)
lines(pred.sesb,col="green", type="o", pch=10) legend(
bottomleft", legend = c("Data Aktual", "Fitted
Value","Peramalan"), col = c("blue","red", "green"
), lty = 1, cex = 0.6, inset = 0.02)

2.2.2 Menghitung SES Cara Kedua

Selain menggunakan fungsi dasar R, dapat pula menggunakan fungsi pada
package forecast.
1. Install package forecast. Panggil package tersebut dengan
“library(forecast)”.
install.packages(forecast)

2. Memanggil package.
library(forecast)

3. Hitung SES untuk mendapatkan nilai α optimum.

ses.inflasi= ses(inflasi.ts, h=2, alpha = NULL)
ses.inflasi

4. Menampilkan model SES.

modelses=ses.inflasi$model
modelses

6
5. Tampilkan nilai “fitted value”.
modelfitted= ses.inflasi$fitted
fitted buat forcast
modelfitted

6. Menggambarkan plot data aktual, data fitted value, dan hasil peramalan
dengan.
plot(ses.inflasi, col = "blue")
lines(ses.inflasi$fitted, col="red")
legend("bottomleft", legend = c("Data Aktual", "Fitted
Value"),
col = c("blue","red" ), lty = 1, cex = 0.8, inset = 0.02)

4. Mengetahui ukuran kesalahan, yaitu MSE, RMSE, dan MAPE

menggunakan model dengan α = 0.8.
mse=mean(ses.inflasi$residuals^2)
rmse=sqrt(mse)
mape=mean(abs(ses.inflasi$residuals)/inflasi.ts, na.rm =
TRUE)*100
mse
mape

7
3 Pembahasan

Pada bab sebelumnya telah dipaparkan mengenai beberapa langkah kerja

dari penyelesaian studi kasus. Pada bab ini praktikan akan menjelaskan hasil
(output) penyelesaian studi kasus.
Setelah mendownload data inflasi, praktikan melakukan prediksi single
exponential smoothing (SES) cara pertama. Praktikan memasukkan data,
kemudian memanggil dan menampilkan banyaknya data. Tidak terdapat data
missing maka praktikan langsung melakukan langkah-langkah prediksi. Berikut
Gambar 3.1 merupakan data inflasi Indonesia periode September 2014 –
September 2019.

Gambar 3.4 Output Data Inflasi Indonesia Sep 2014 – Sep 2019

Gambar 3.5 Output Data Runtun Waktu

Output di atas merupakan data yang telah dikonversikan menjadi data
runtun waktu bulanan. Selanjutnya praktikan akan membuat plot data time series.

8
 Gambar 3.6 Output Data Runtun Waktu

Berdasarkan grafik Gambar 3.4, terdapat 2 variabel yaitu sumbu x

merupakan tahun sedangkan sumbu y merupakan inflasi indonesia. Dapat dilihat
bahwa pola data inflasi di setiap bulan selama 5 tahun, dari tahun ke tahun cukup
fluktuatif. Gerakan rangkaian waktu sepanjang tahun pada bulan-bulan yang sama
menunjukkan tidak ada pola yang teratur. Selanjutnya praktikan mencari nilai
koefisien menggunakan metode SES

Gambar 3.7 Output Koefisien α = 0.3

Gambar 3.8 Output Koefisien α = 0.5

Gambar 3.9 Output Koefisien α = 0.8

9
 Output di atas adalah pemodelan single exponential smoothing dengan
nilai alpha. Untuk α = 0.3 mendapatkan koefisien 0,032844, untuk α = 0.5
mendapatkan koefisien 0,0337653, dan untuk α = 0.8 mendapatkan koefisien
0,0340276. Jadi semakin besar nilai α maka semakin besar nilai koefisien.
Selanjutnya praktikan akan menentukan nilai prediksi.

Tabel 3.2 Prediksi SSE untuk α = 0.3

xhat
level
Oct 2014 0.04530000
0.04530000
Nov 2014 0.04620000
0.04620000
Dec 2014 0.05103000
0.05103000
Jan 2015 0.06080100
0.06080100
Feb 2015 0.06344070
0.06344070
Mar 2015 0.06327849
0.06327849
Apr 2015 0.06343494
0.06343494
May 2015 0.06477446
0.06477446
Jun 2015 0.06679212
0.06679212
: : :
Aug 2019 0.03131668
0.03131668
Sep 2019 0.03239167
0.03239167

Tabel 3.3 Prediksi SSE untuk α = 0.5

xhat
level
Oct 2014 0.04530000
0.04530000
Nov 2014 0.04680000
0.04680000
Dec 2014 0.05455000
0.05455000
Jan 2015 0.06907500
0.06907500
Feb 2015 0.06933750
0.06933750
Mar 2015 0.06611875
0.06611875
Apr 2015 0.06495937

10
 0.06495937
May 2015 0.06642969
0.06642969
Jun 2015 0.06896484
0.06896484
: : :
Aug 2019 0.03236151
0.03236151
Sep 2019 0.03363076
0.03363076

Tabel 3.4 Prediksi SSE untuk α = 0.8

xhat
level
Oct 2014 0.04530000
0.04530000
Nov 2014 0.04770000
0.04770000
Dec 2014 0.05938000
0.05938000
Jan 2015 0.07875600
0.07875600
Feb 2015 0.07143120
0.07143120
Mar 2015 0.06460624
0.06460624
Apr 2015 0.06396125
0.06396125
May 2015 0.06711225
0.06711225
Jun 2015 0.07062245
0.07062245
: : :
Aug 2019 0.03309169
0.03309169
Sep 2019 0.03453834
0.03453834

Nilai prediksi pada tabel diatas dapat menjadi parameter atau tolak ukur
untuk seberapa akurat prediksi yang kita lakukan terhadap data asli. Selanjutnya
praktikan akan melakukan forcasting 5 periode kedepan.

Gambar 3.10 Output Forecast untuk α = 0.3

Gambar 3. 1 Output Forecast untuk α = 0.5

11
 Gambar 3. 2 Output Forecast untuk α = 0.8
Dari output forecast di atas dapat diketahui bahwa peramalan bulan
Oktober 2019. Untuk α = 0.3 didapatkan nilai sebesar 0,03284417, yang berarti
bahwa inflasi Indonesia akan akan menurun pada bulan Oktober 2019 mengalami
perubahan sebesar 0,001055 dari bulan September 2019. Untuk α = 0.5
didapatkan nilai sebesar 0,0337653, yang berarti bahwa inflasi Indonesia akan
akan menurun pada bulan Oktober 2019 mengalami perubahan sebesar
0,00013462 dari bulan September 2019. Untuk α = 0.8 didapatkan nilai sebesar
0,0340286 , yang berarti bahwa inflasi Indonesia akan akan naik pada bulan
Oktober 2019 mengalami perubahan sebesar 0,0001276 dari bulan September
2019. Selanjutnya praktikan akan menghitung nila, SSE, MSE, dan MAPE.

Tabel 3.5 Nilai SSE, MSE, dan MAPE

SSE MSE MAPE
sesb.inflasi1 0.003693791 6.156318e-05 12.10779
sesb.inflasi2 0.003693791 6.156318e-05 9.715893
sesb.inflasi3 0.003693791 6.156318e-05 8.963501

Dari hasil output di atas dapat diketahui nilai SSE, MSE, dan MAPE
terkecil ada pada α = 0.9, nilai SSE-nya sebesar 0.003693791, nilai MSE-nya
sebesar 6.156318e-05, dan nilai MAPE-nya sebesar 8.963501.
Selanjutnya praktikan akan membuat grafik menggunakan α = 0.8.

12
 Gambar 3. 3 Plot Data Asli dan Prediksi SES untuk α = 0.8

Berdasarkan plot gambar 3.6 comparing model, terdapat 2 variabel yaitu

sumbu x (tahun) dan sumbu y (inflasi indonesia). Grafik berwarna biru merupakan
data aslinya. Grafik berwarna merah menunjukkan prediksi menggunakan metode
SES dengan α = 0.8,grafik berawrna hijau merupakan peramalan 5 periode
kedepan. Data prediksi cenderung mendekati dengan data aslinya. Plot ini
dianggap cukup bagus untuk meramalkan inflasi Indonesia periode berikutnya.
Selanjutnya praktikan melakukan prediksi menggunakan metode single
exponential smoothing cara kedua. Pada cara kedua ini peneliti menggunakan
bantuan packages ”library(forecast)”. Setelah praktikan melakukan analisis
menggunakan data Inflasi.ts yaitu data yang sudah berbentuk time series.
Kemudian praktikan membuat pemodelan Single Exponential Smoothing dan
meramalkan 5 periode kedepan dengan menggunakan alpha=0,8.

13
 Gambar 3. 4 Hasil Peramalan dengan SES

Gambar 3.4 merupakan hasil forcasting 5 periode kedepan yaitu Oktober

2019 – Februari 2020. Kemudian praktikan menampilkan model SES-nya.

Gambar 3. 5 Model SES ynag Terbentuk

Maka didapatkan nilai prediksi sebagai berikut.

Gambar 3. 6 Fitted Value dari SES

Nilai prediksi pada gambar 3.16 dapat menjadi parameter atau tolak ukur
untuk seberapa akurat prediksi yang kita lakukan terhadap data asli. Selanjutnya
praktikan akan menghitung nila MSE, dan MAPE.

Tabel 3.6 Nilai MSE, dan MAPE

MSE MAPE
sesb.inflasi 3.331976e-05 8.853585

14
 Dari hasil output di atas dapat diketahui nilai SSE, MSE, dan MAPE
terkecil ada pada α = 0.9, nilai MSE-nya sebesar 3.33196e-05, dan nilai MAPE-nya
sebesar 8,853585.
Selanjutnya praktikan akan membuat grafik menggunakan α = 0.9.

Gambar 3. 7 Plot Data Asli, Prediksi, dana Ramalan metode SES menggunakan
packages forcast

Berdasarkan plot gambar 3.7 grafik comparing model, terdapat 2 variabel

yaitu sumbu x (tahun) dan sumbu y (inflasi indonesia). Grafik berwarna biru
merupakan data aslinya. Grafik berwarna merah prediksi metode SES, sedangkan
garis bewarna biru tua adalah peramalan 5 periode kedepan. Data prediksi
cenderung mendekati dengan data aslinya. Plot ini dianggap cukup bagus untuk
meramalkan inflasi Indonesia periode berikutnya.

15
4 Penutup

4.1 Kesimpulan

Berdasarkan studi kasus dan uraian pembahasan dapat disimpulkan.

1. Pada penyelesaian cara pertama, setelah melakukan beberapa tahapan
untuk peramalan metode Single Exponential Smoothing. Didapatkan alpha
optimum yaitu α =0,8 bagus untuk meramalkan dilihat dari nilai MAPE
terkecil.
2. Metode Single Exponential Smoothing dengan α =0,8, meramalkan inflasi
5 periode kedepan dari Oktober 2019 – februari 2020 berturut-turut
sebesar 0,030276.
3. Didapatkan nilai MAPE dari masing-masing model dengan
α =0,3 , α =0,5 , α=0,8 berturut turut sebesar 12,10779, 9,715893, dan
8,963510. Makan di ketahui nilai MAPE terkecil ada pada model
ses.inflasi.
4. Untuk peramalan cara kedua dengan menggunakan package forcast
didapatkan nilai peramalan 5 periode kedepan dari Oktober 2019 –
februari 2020 berturut-turut sebesar 0,0339001.
5. Didapatkan nilai MAPE dari dengan α =0,8 sebesar 8,853585.
6. Berdasarkan dua cara peramalan yang dilakukan nilai MAPE terkecil ada
pada cara kedua yaitu sebesar 8,853585 dengan α =0,8.

16
5 Daftar Pustaka

Hartono, Anggi, Djoni Dwijana, dan Wmmie Handiwidjojo. 2012.

PERBANDINGAN METODE SINGLE EXPONENTIAL SMOOTHING
DAN METODE EXPONENTIAL SMOOTHING ADJUSTED FOR
TREND. 01 Mei. Diakses Oktober 9, 2019.
https://media.neliti.com/media/publications/79550-ID-perbandingan-
metode-single-exponential-s.pdf.
Nurul. 2014. Exponential Smoothing. 22 Maret. Diakses Oktober 09, 2019.
http://mjnurul.blogspot.com/2014/03/exponential-smoothing.html.
Primandari, Arum Handini., dkk. 2017. Modul Analisis Runtun Waktu dengan R.
Yogyakarta: UII.

17